梁文锋如何布局DeepSeek的万亿级AI战略

DeepSeek正用开源、降价和底层架构创新，重画AI硬件生态的成本曲线，把目标指向十万亿美元产业与AGI的星辰大海。

最近，DeepSeek的一系列动作，让整个行业都竖起了耳朵。

先是5月22日，彭博社爆出他们正在推进高达700亿元软妹币的融资，投前估值已站上450亿美元。同一天，官方又宣布将V4-Pro API的价格永久下调75%——直接把促销价焊死成了日常价。

一边向资本市场伸手要钱，一边却对开发者大幅让利。这看似矛盾的操作背后，引出了一个根本性问题：DeepSeek究竟靠什么赚钱，并且是赚取足以支撑其宏大愿景的巨额利润？

毕竟，通往AGI的道路，光靠口号是铺不成的。

对此，一篇题为《DeepSeek's 10 trillion USD grand strategy》的长文提出了一个极为大胆的论断：DeepSeek真正的野心，或许并非售卖API套餐或语音助手，而在于参与塑造一个价值十万亿美元级别的AI硬件生态，并在此过程中，冲击万亿美元级的自身估值。

仔细剖析其技术路径与商业动作，你会发现，DeepSeek的掌舵人梁文锋并非狂想者，而是一位布局深远的棋手。他正在下的，正是一盘关乎十万亿美元未来的大棋。

英雄之旅：一场反共识的技术长征

回望DeepSeek的成长轨迹，堪称一段“英雄之旅”。

当业界普遍沉迷于堆砌稠密模型参数时，它选择攻坚最难训练的MoE架构，用更精巧的计算换取更高的智能密度。当别人沿用PPO进行强化学习时，它回归第一性原理，发明了成本更优的GRPO算法。在行业还在讨论RLHF的天花板时，它已经跑通了基于可验证奖励的RLVR，将模型的推理能力推向了新高度。

MLA、DSA、mHC、CSA与HCA——这一连串的技术缩写，绝非纸面文章，每一项都在回答一个核心命题：如何在给定的硬件约束下，榨取出极限的AI算力？

真正的使命往往在路上显现。DeepSeek的终极目标，从来就不是成为一个API服务商那么简单。

一道有趣的数学题：KV Cache的秘密

一切可以从一个具体的数字讲起。

打开kvcache.ai的计算器，输入100万token的上下文长度、8bit KV精度和16bit索引精度，你会看到一组惊人的对比：DeepSeek V4模型仅需5.48GB的HBM（高带宽内存）。

而其他顶级的开源模型，同等条件下动辄需要超过60GB的HBM。

值得注意的是，DeepSeek V4是一个拥有1.6万亿参数的巨模型，体量远超对比对象，但其KV Cache的占用却仅为后者的一个零头。

这意味着，DeepSeek可以将缓存服务的价格压到一个令人咋舌的低位——V4-Pro的缓存命中价仅为0.025元/百万Token，不到Claude Sonnet 4.6同类价格的3%，且缓存可持续数小时。

永久降价后，其输入（缓存未命中）和输出价格分别为3元/百万Token和6元/百万Token，均为原价的四分之一。

梁文锋两年前阐述过DeepSeek的定价哲学：不贴钱，也不赚取暴利。现在看来，这并非虚言——当你的KV Cache占用只有别人的十分之一，你的成本结构自然就有了数量级的优势。

但更深层的问题是：这项技术红利，最终将流向何处？

十万亿美元的棋盘：硬件生态的重构

答案隐藏在三个关键的硬件领域：SSD、LPDDR和HBM。

第一层，关乎SSD与NAND闪存。当KV Cache被极致压缩后，可以高效地卸载到SSD上，待需要时再快速加载回HBM。DeepSeek在相关论文中专门优化了这一过程的加载速度。这直接降低了对昂贵HBM的容量依赖。每一次KV Cache的压缩，都在为NAND闪存和SSD市场创造新的增量需求。

第二层，涉及LPDDR内存。已有研究显示，LPDDR完全可以作为模型权重的“暂存区”——权重先存放于此，再以流式方式传输至HBM，从而大幅缓解HBM的容量压力。

DeepSeek的MoE架构天然契合此方案：专家数量多、权重可进行4bit量化，使得流式加载异常高效。而在LPDDR领域，国产技术的追赶步伐已十分接近。

第三层，是为GPU/ASIC减压。例如，Engram模块利用LPDDR中的哈希查表替代部分Transformer前向计算，本质是以每比特成本极低的内存读取，替代每比特成本极高的GPU运算。这对于在原始算力上暂时受限的国产AI芯片而言，提供了一条“换道超车”的可行路径。

再加上TileLang——一个由DeepSeek投资的跨硬件内核编译框架，它能让同一套计算代码运行于多种硬件平台，相当于在软件层面对“CUDA生态护城河”进行了迂回。这为国产芯片厂商带来了生态突破的可能性。

至此，脉络已然清晰：DeepSeek的每一项技术创新，都指向同一个战略方向——系统性降低对顶级、昂贵硬件的依赖，让中国现有的存储、芯片及网络生态，变得不仅“够用”，而且“好用”。

有人算过一笔大账：全球AI相关股票的市值总和早已突破10万亿美元。如果DeepSeek能成为撬动中国构建一个对等量级AI硬件生态的关键支点，那么它自身在此生态中获取万亿美元级别的估值，便是一个合乎逻辑的推论。

不赚快钱的逻辑

理解了上述蓝图，再回头看DeepSeek那些“有所不为”的选择——迟迟不全面进军多模态、不做语音或视频专用模型、API价格一降再降——就都说得通了。

这并非“不会赚钱”，而是战略性地“暂时不屑于赚眼前的快钱”。

一个精彩的类比是：OpenAI通过获得AMD和Cerebras的股权认购权证，以未来的算力采购承诺换取股权，本质是“用订单换生态”。DeepSeek完全可以复制这一模式，只不过其合作对象是整个国产AI硬件产业链。

梁文锋出身量化基金，深谙资本运作之道。在最新融资消息传出前，他已于2026年4月完成关键股权调整，通过直接与间接方式控制公司约84.29%的股权，并拥有100%表决权，为后续的战略落地铺平了道路。

宁德时代的投资，意在锁定未来AI数据中心的储能订单；京东、网易的入局，各有其战略诉求；而国家大基金的入场，更是将DeepSeek定位为国家级的AI基础设施。这些投资者看到的，绝非一个简单的API生意，而是一个足以重塑全球AI硬件格局的战略支点。

终极使命：大规模强化学习与AGI

然而，如果将DeepSeek的终点仅仅理解为“成为中国AI硬件生态的发动机”，那可能仍然低估了梁文锋的野心。

据彭博社报道，梁文锋在投资者会议上明确表示：DeepSeek的主要目标是推动技术边界，最终实现AGI（通用人工智能）。

重构硬件生态是手段，抵达AGI才是终极目的。

其内在逻辑形成了一个闭环：当通过技术创新压低了算力需求、拓宽了硬件选择，DeepSeek就能以低得多的成本，启动规模空前的大模型训练——尤其是耗费巨大的强化学习后训练，以及更为大胆的递归自我改进。

大规模强化学习需要模型生成海量的推理轨迹，对算力的消耗是天文数字。而要实现长程的100万上下文任务，轨迹本身也必须足够长。没有极致的硬件效率优化，这种训练根本无法持续。

递归自我改进则更为激进，它要求AI能够自主设计实验、执行并分析结果以改进自身，是一个试错密度极高的过程，堪称算力“无底洞”。

但如果DeepSeek成功通过生态重构将算力成本打下来，这条通往AGI的艰难之路就将变得可行。从MoE到MLA，从DSA到CSA，从Engram到TileLang，从KV Cache压缩到LPDDR流式加载——所有这些看似分散的技术创新，最终都汇向同一个终点：让AGI的训练，从“烧不起”变成“烧得起”。

梁文锋与DeepSeek所追逐的星辰大海，从来不是海面上转瞬即逝的浪花，而是塑造整个海洋的、深沉而强大的洋流。